Melola Discovery

← Melola Discovery

Open access Jurnal

Klasifikasi Penyakit Pada Citra Daun Jeruk Menggunakan Arsitektur MobileNet berbasis Mobile Platform

Jurnal Fokus Elektroda : Energi Listrik, Telekomunikasi, Komputer, Elektronika dan Kendali) · Vol. 6 No. 4 (2021) · pp. 212–215

DOI
10.33772/jfe.v6i4.19113
ISSN
2502-5562
Published
2021-11-30
Publisher
Universitas Halu Oleo
Language
eng
License
creativecommons.org/licenses/by/4.0

Abstract

Proses diagnosa penyakit pada tanaman daun jeruk umunya dilakukan melalui pemeriksaan laboratorium oleh seorang ahli patologi tumbuhan dengan melihat gejala visual yang timbul pada tanaman untuk membantu petani daun jeruk dalam memberikan pola penanganan yang tepat berdasarkan gejala yang nampak pada kondisi daun jeruk. Klasifikasi penyakit daun jeruk menggunakan metode pengolahan citra mampu memberikan referensi diagnosis yang cepat dan akurat. Penelitian ini mengusulkan pendekatan deep learning menggunakan arsitektur MobineNet CNN untuk melakukan klasifikasi. Metode pada penelitian ini dievaluasi pada citra penyakit daun jeruk dalam tiga kategori yaitu normal, HLB dan CTV dengan ukuran citra 150x150. Pengujian dilakukan dengan menggunakan algortima RMSprof optimize dengan learning rate 0.001. Proses pelatihan menggunakan arsitektur Binary Cross Entropy fungsi aktivasi sigmoid. Hasi klasifikasi penyakit pada citra daun jeruk pada proses training mencapai tingkat akurasi 98% pada epoch 15.

Keywords

Collaboration network of the authors

9 authors · 15 co-authorship links

Hover or tap a name to highlight its co-authors. Double-click to open the author's page.

  • Universitas Halu Oleo
  • Affiliation unknown
  • Different organisations
  • Same organisation
  • Affiliation unknown
  • Thicker line = more joint articles · bigger circle = more articles
Show as table
Co-authorOrganisationJoint articles
Makkulau MakkulauAffiliation unknown1
Agusrawati AgusrawatiAffiliation unknown1
Norma MuhtarAffiliation unknown1
Try Sugiyarto SoeparyantoUniversitas Halu Oleo1
RIdwansyah NuhunAffiliation unknown1

Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.

Metadata source: OAI-PMH (metadata jurnal) https://ojs.uho.ac.id/index.php/JFE/oai, first harvested 31 Okt 2026, last seen 1 Nov 2026.
Original metadata (oai_dc) 
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en-US">Klasifikasi Penyakit Pada Citra Daun Jeruk Menggunakan Arsitektur MobileNet berbasis Mobile Platform</dc:title>
	<dc:creator>Riswandi, Riswandi</dc:creator>
	<dc:creator>Jamiah, Rosmiati</dc:creator>
	<dc:creator>Mardhatillah, Nisa</dc:creator>
	<dc:creator>Hamid, Hady Prasetya</dc:creator>
	<dc:subject xml:lang="en-US">CNN, Machine Learning, MobileNet, Penyakit Daun Jeruk.</dc:subject>
	<dc:description xml:lang="en-US">Proses diagnosa penyakit pada tanaman daun jeruk umunya dilakukan melalui pemeriksaan laboratorium oleh seorang ahli patologi tumbuhan dengan melihat gejala visual yang timbul pada tanaman untuk membantu petani daun jeruk dalam memberikan pola penanganan yang tepat berdasarkan gejala yang nampak pada kondisi daun jeruk. Klasifikasi penyakit daun jeruk menggunakan metode pengolahan citra mampu memberikan referensi diagnosis yang cepat dan akurat. Penelitian ini mengusulkan pendekatan deep learning menggunakan arsitektur MobineNet CNN untuk melakukan klasifikasi. Metode pada penelitian ini dievaluasi pada citra penyakit daun jeruk dalam tiga kategori yaitu normal, HLB dan CTV dengan ukuran citra 150x150. Pengujian dilakukan dengan menggunakan algortima RMSprof optimize dengan learning rate 0.001. Proses pelatihan  menggunakan arsitektur Binary Cross Entropy fungsi aktivasi sigmoid. Hasi klasifikasi penyakit pada citra daun jeruk pada proses training mencapai tingkat akurasi 98% pada epoch 15.</dc:description>
	<dc:publisher xml:lang="en-US">Universitas Halu Oleo</dc:publisher>
	<dc:contributor xml:lang="en-US">Hasanuddin University</dc:contributor>
	<dc:date>2021-11-30</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:type xml:lang="en-US">Peer-reviewed Article</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://ojs.uho.ac.id/index.php/JFE/article/view/19113</dc:identifier>
	<dc:identifier>10.33772/jfe.v6i4.19113</dc:identifier>
	<dc:source xml:lang="en-US">Jurnal Fokus Elektroda : Energi Listrik, Telekomunikasi, Komputer, Elektronika dan Kendali); Vol 6, No 4 (2021): Jurnal Elektroda Vol 6 No 4; 212-215</dc:source>
	<dc:source>2502-5562</dc:source>
	<dc:source>10.33772/jfe.v6i4</dc:source>
	<dc:language>eng</dc:language>
	<dc:relation>https://ojs.uho.ac.id/index.php/JFE/article/view/19113/pdf</dc:relation>
	<dc:rights xml:lang="en-US">Copyright (c) 2021 Nisa Mardhatillah</dc:rights>
	<dc:rights xml:lang="en-US">http://creativecommons.org/licenses/by/4.0</dc:rights>
</oai_dc:dc>